首页|基于联邦学习的船舶AIS轨迹预测算法

基于联邦学习的船舶AIS轨迹预测算法

Ship AIS Trajectory Prediction Algorithm Based on Federated Learning

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据
联邦学习是一种可以在弱通信环境下有效解决数据孤岛问题的分布式机器学习方法.针对海上船舶轨迹实时预测问题,提出基于Fedves联邦学习框架与卷积神经网络-门控循环单元(CNN-GRU)模型的船舶轨迹预测算法(E-FVTP).根据Fedves联邦学习框架,通过规范客户端数据集规模以及客户端正则项,在保持原有客户端数据特征的前提下,减小数据非独立同分布特征对全局模型的影响,加快收敛速度.面向海洋通信资源短缺场景,建立基于船舶自动识别系统(AIS)数据的CNN-GRU船舶轨迹预测模型,解决了船舶终端设备计算能力不足的问题.在MarineCadastre开源和舟山海洋船舶航行AIS数据集上的实验结果表明,E-FVTP在预测误差比集中式训练降低40%的情况下,收敛速度提升67%、通信代价降低76.32%,可实现复杂海洋环境中船舶轨迹的精确预测,保障海上交通安全.
Federated learning,a distributed machine learning method,effectively addresses the data island problem in environments with weak communication.This study introduces an algorithm for predicting ship trajectories,employing the Fedves federated learning framework and a Convolutional Neural Network-Gated Recurrent Unit(CNN-GRU)model,called E-FVTP.The Fedves framework standardizes dataset sizes and client regularization terms,mitigating the influence of non-independent and identically distributed features on the global model.This approach preserves original client data features,thereby accelerating the convergence speed.In maritime scenarios with limited communication resources,the CNN-GRU model utilizes Automatic Identification System(AIS)data to overcome the computational limitations of vessel terminals.Experimental evaluations on the open-source MarineCadastre and Zhoushan marine ship navigation AIS datasets demonstrate that E-FVTP reduces prediction error by 40%compared to centralized training methods.It also achieves a 67%faster convergence rate and reduces communication costs by 76.32%.These advancements enable accurate vessel trajectory predictions in complex maritime settings,significantly ensuring maritime traffic safety.

federated learningship trajectory predictionAutomatic Identification System(AIS)deep learningNon Independent and Identically Distributed(Non-IID)

郑晨俊、曾艳、袁俊峰、张纪林、王鑫、韩猛

展开 >

杭州电子科技大学计算机学院,浙江 杭州 310018

杭州电子科技大学复杂系统建模与仿真教育部重点实验室,浙江 杭州 310018

数据安全治理浙江省工程研究中心,浙江 杭州 310018

杭州电子科技大学圣光机联合学院,浙江 杭州 310018

展开 >

联邦学习 船舶轨迹预测 自动识别系统 深度学习 非独立同分布

国家自然科学基金浙江省重点研发计划项目浙江省自然科学基金

620721462021C03187LQ23F020015

2024

10.19678/j.issn.1000-3428.0067829

计算机工程
华东计算技术研究所　上海市计算机学会

计算机工程

CSTPCD北大核心
影响因子：0.581
ISSN：1000-3428
年,卷(期)：2024.50(2)
  • 2